CN110674480A - 行为数据处理方法、装置、设备及可读存储介质 - Google Patents
行为数据处理方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110674480A CN110674480A CN201910962203.1A CN201910962203A CN110674480A CN 110674480 A CN110674480 A CN 110674480A CN 201910962203 A CN201910962203 A CN 201910962203A CN 110674480 A CN110674480 A CN 110674480A
- Authority
- CN
- China
- Prior art keywords
- behavior
- behavior data
- vector
- current
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/316—User authentication by observing the pattern of computer usage, e.g. typical user behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开提供一种行为数据处理方法、装置、设备及可读存储介质,该方法包括:获取用户的当前行为数据;从所述当前行为数据中提取所述当前行为数据的第一行为特征;根据所述当前行为数据的第一行为特征获得所述当前行为数据的第二行为特征;根据所述当前行为数据的第一行为特征和所述当前行为数据的第二行为特征获得所述当前行为数据的行为向量;将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证。该方法能够通过对行为数据进行特征提取,实现高效地利用行为数据进行身份识别。
Description
技术领域
本公开涉及身份认证技术领域,具体而言,涉及一种行为数据处理方法、装置、设备及可读存储介质。
背景技术
在移动通信设备广泛普及的环境下,便捷的移动设备也为用户带来了信息安全、支付安全的问题。通过移动设备进行支付是人们的日常应用需求之一,也是安全问题最为密集的应用场景。保障移动支付的安全性主要通过身份认证技术实现。一些相关技术中采用基于密码的身份认证技术,但存在密码泄露、暴力破解、胁迫破解等风险;另一些相关技术中采用基于动态口令(One-time Password,缩写为OTP)的身份认证技术则存在中间人劫持等风险;另一些相关技术中采用基于指纹的身份认证技术,硬件成本高,且存在指纹可能不慎泄露或被窃取等风险。
在一些相关技术中,采用基于用户行为的身份认证技术,由于用户的行为数据中会包含用户独特的行为模式,因此可作为用户身份认证的依据。基于用户行为的认证过程不打扰用户的正常操作,可实现用户无感认证,是身份认证技术的发展方向。一些基于用户行为的身份认证技术中采集的行为数据内容丰富,从采集的数据中提取大量特征,导致认证计算量巨大,影响身份识别的效率和性能;采集的行为数据类型单一,判断参照的指标不够全面,导致身份识别的准确率较低;对于用户不同的使用情境未作区分,也会导致身份识别的准确率较低。
如上所述,如何提供识别效率高、准确率高的基于用户行为的身份识别方法成为亟待解决的问题。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本公开提供一种行为数据处理方法、装置、设备及可读存储介质,能够通过对行为数据进行特征提取,实现高效地利用行为数据进行身份识别。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一方面,提供一种行为数据处理方法,包括:获取用户的当前行为数据;从所述当前行为数据中提取所述当前行为数据的第一行为特征;根据所述当前行为数据的第一行为特征获得所述当前行为数据的第二行为特征;根据所述当前行为数据的第一行为特征和所述当前行为数据的第二行为特征获得所述当前行为数据的行为向量;将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证。
根据本公开的一实施例,所述标准行为向量为历史行为数据的行为向量;在所述获取用户的当前行为数据之前,所述方法还包括:获取用户的历史行为数据;从所述历史行为数据中提取所述历史行为数据的第一行为特征;根据所述历史行为数据的第一行为特征获得所述历史行为数据的第二行为特征;根据所述历史行为数据的第一行为特征和所述历史行为数据的行为数据的第二行为特征获得所述历史行为数据的行为向量。
根据本公开的一实施例,所述根据所述当前行为数据的第一行为特征获得所述当前行为数据的第二行为特征,包括:从所述当前行为数据的第一行为特征的传感器特征中提取出所述当前行为数据的第二行为特征,其中所述当前行为数据的第二行为特征的特征类的数量小于所述传感器特征的特征类的数量;所述根据所述历史行为数据的第一行为特征获得所述历史行为数据的第二行为特征,包括:从所述历史行为数据的第一行为特征的传感器特征中提取出所述历史行为数据的第二行为特征,其中所述历史行为数据的第二行为特征的特征类的数量小于所述传感器特征的特征类的数量。
根据本公开的一实施例,所述第一行为特征包括击键特征、屏幕滑动特征、屏幕点击特征和第一传感器特征。
根据本公开的一实施例,所述根据所述历史行为数据的第一行为特征和所述历史行为数据的行为数据的第二行为特征获得所述历史行为数据的行为向量,包括:根据所述历史行为数据的击键特征、所述历史行为数据的屏幕滑动特征、所述历史行为数据的屏幕点击特征和所述历史行为数据的第二行为特征构建所述历史行为数据的击键行为向量、所述历史行为数据的屏幕滑动行为向量、所述历史行为数据的屏幕点击行为向量和所述历史行为数据的传感器行为向量;所述根据所述当前行为数据的第一行为特征和所述当前行为数据的行为数据的第二行为特征获得所述当前行为数据的行为向量,包括:根据所述当前行为数据的击键特征、所述当前行为数据的屏幕滑动特征、所述当前行为数据的屏幕点击特征和所述当前行为数据的第二行为特征构建所述当前行为数据的击键行为向量、所述当前行为数据的屏幕滑动行为向量、所述当前行为数据的屏幕点击行为向量和所述当前行为数据的传感器行为向量。
根据本公开的一实施例,将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证,包括:将所述当前行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量分别与所述历史行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量进行比较,获得击键相似度、屏幕滑动相似度、屏幕点击相似度和传感器相似度;根据所述击键相似度、屏幕滑动相似度、屏幕点击相似度和传感器相似度获得所述当前行为数据的行为向量与所述历史行为数据的行为向量的相似度;若所述当前行为数据的行为向量与所述历史行为数据的行为向量的相似度大于预设阈值,则判定所述用户验证成功。
根据本公开的一实施例,所述历史行为数据的行为向量包括情境标签;在所述获取用户的当前行为数据之后,在所述将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证之前,包括:获得所述当前行为数据的情境标签;所述将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证,包括:根据所述情境标签获得所述历史行为数据的行为向量;获得所述当前行为数据的行为向量与所述历史行为数据的行为向量的相似度;若所述当前行为数据的行为向量与所述历史行为数据的行为向量的相似度大于预设阈值,则判定所述用户验证成功。
根据本公开的再一方面,提供一种行为数据处理装置,包括:数据获取模块,用于获取用户的当前行为数据;第一特征提取模块,用于从所述当前行为数据中提取所述当前行为数据的第一行为特征;第二特征提取模块,用于根据所述当前行为数据的第一行为特征获得所述当前行为数据的第二行为特征;向量构建模块,用于根据所述当前行为数据的第一行为特征和所述当前行为数据的第二行为特征获得所述当前行为数据的行为向量;身份验证模块,用于将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证。
根据本公开的再一方面,提供一种电子设备,包括:存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令,所述处理器执行所述可执行指令时实现如上述任一种方法。
根据本公开的再一方面,提供一种计算机可读存储介质,其上存储有计算机可执行指令,所述可执行指令被处理器执行时实现如上述任一种方法。
根据本公开某些实施例提供的方法,通过从当前行为数据中提取第一行为特征,然后根据当前行为数据的第一行为特征获得当前行为数据的第二行为特征,再根据当前行为数据的第一行为特征和当前行为数据的第二行为特征获得当前行为数据的行为向量,最后将当前行为数据的行为向量与标准行为向量进行比较以对用户进行验证,从而可对行为数据的初级特征进行筛选后构建行为向量,简化了行为向量比较的计算量,实现高效地利用行为数据进行身份识别。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
通过参照附图详细描述其示例实施例,本公开的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施例示出的一种行为数据处理方法的流程图。
图2是根据一示例性实施例示出的另一种行为数据处理方法的流程图。
图3是根据一示例性实施例示出的再一种行为数据处理方法的流程图。
图4是根据一示例性实施例示出的一种行为数据处理装置的框图。
图5是根据一示例性实施例示出的另一种行为数据处理装置的框图。
图6是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施例使得本公开将更加全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。符号“/”一般表示前后关联对象是一种“或”的关系。
在本公开中,除非另有明确的规定和限定,“连接”等术语应做广义理解,例如,可以是电连接或可以互相通讯;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
如上所述,因一些相关技术中采集的行为数据内容丰富,从采集的数据中提取大量特征,可能导致认证计算量巨大,影响身份识别的效率和性能。因此,本公开提供了一种行为数据处理方法,通过对行为数据进行高维特征提取,以便实现高效地利用行为数据进行身份识别。
图1是根据一示例性实施例示出的一种行为数据处理方法的流程图。如图1所示的方法例如可以应用于行为数据处理系统的服务器端,也可以应用于行为数据处理系统的终端设备。
参考图1,本公开实施例提供的方法10可以包括以下步骤。
在步骤S102中,获取用户的当前行为数据。
在一些实施例中,具体地,例如,移动终端设备在用户打开支付应用进入支付功能页面时,开始采集该支付场景下的用户行为数据,包括滑动、点击、击键等通过监听器采集的行为数据以及通过传感器采集的传感器行为数据,其中滑动行为数据包括手指触屏(以及手指离屏、拖动等动作)的轨迹动作类型、移动位置像素点的横/纵坐标和时间戳;传感器行为数据包括移动设备内置的传感器(如加速度传感器、陀螺仪传感器、方向传感器等)按照预设的采样频率对探测到的初始数据进行采样,将采样后的数据包装成JSON(JavaScript Object Notation,JS对象简谱)串上传至服务器或其他存储介质进行存储,获得需要的历史行为数据。
在步骤S104中,从当前行为数据中提取当前行为数据的第一行为特征。
在一些实施例中,第一行为特征包括击键特征、屏幕滑动特征、屏幕点击特征和第一传感器特征。在第一行为特征提取阶段,从滑动、点击、击键行为数据以及传感器行为数据中提取多个指标的物理特征,即低维特征。例如:从用户滑动屏幕的行为数据中提取速度、角度、时间等的特征,其中,速度特征可包括起点的横/纵/合速度、横/纵/合速度的差分、横/纵/合速度最大值及最小值的统计信息;角度特征可包括(横坐标,时间戳)/(纵坐标,时间戳)/(纵坐标,横坐标)的角度值、(横坐标,时间戳)/(纵坐标,时间戳)/(纵坐标,横坐标)角度去重值、(横坐标,时间戳)/(纵坐标,时间戳)/(纵坐标,横坐标)角度的最大值和最小值的统计信息;时间特征可包括时间戳的差分、时间戳的总时长等统计信息。再例如,从传感器行为数据中提取传感器探测数据的时域分布及频域分布的特征,其中,时域分布特征可包括:传感器x/y/z轴的最大值、最小值、方差、峰态系数等特征;频域分布特征可包括:传感器x/y/z轴的峰值振幅、差分频域幅度、频率衰减幅度、谷值振幅等特征。
在步骤S106中,根据当前行为数据的第一行为特征获得当前行为数据的第二行为特征。
在一些实施例中,从当前行为数据的第一行为特征的传感器特征中提取出当前行为数据的第二行为特征,其中当前行为数据的第二行为特征的特征类的数量小于传感器特征的特征类的数量。具体地,传感器探测数据覆盖了用户支付操作的全过程,多个传感器的数据量极为丰富,提取的低维特征的指标非常多,如:数据的均值、最大值、最小值等等。可在长短期记忆类的网络结构的基础上,通过主成分分析、词嵌入等方法进行抽象处理,通过从大量低维特征中提取出具有隐含逻辑含义的高维特征,剔除掉低维特征中对于最终身份识别目的无效或低效的部分特征,在保证特征有效性的同时,降低了传感器特征的维度。
在步骤S108中,根据当前行为数据的第一行为特征和当前行为数据的第二行为特征获得当前行为数据的行为向量。
在一些实施例中,根据当前行为数据的击键特征、当前行为数据的屏幕滑动特征、当前行为数据的屏幕点击特征和当前行为数据的第二行为特征构建当前行为数据的击键行为向量、当前行为数据的屏幕滑动行为向量、当前行为数据的屏幕点击行为向量和当前行为数据的传感器行为向量。对于击键行为、屏幕滑动行为、屏幕点击行为分别构建用户的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量,并采用各个向量数据的标准差来表征该向量对用户行为的表达程度,例如击键行为向量的标准差越大,则表示该用户进行支付时击键行为的权重越小;屏幕点击行为向量的标准差最小,则表示该用户进行支付时主要进行屏幕点击行为。可通过该向量标准差计算得到各个行为模式的权重,如使用向量的标准差的倒数作为该行为向量所占的权重。
用户行为包括击键行为、滑动行为、点击行为和传感器行为,还可包括手势行为等,对应可提取手势行为特征并构建手势行为向量,本公开不以此为限。
在步骤S110中,将当前行为数据的行为向量与标准行为向量进行比较以对用户进行验证。
在一些实施例中,获得当前行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量之后,分别计算其与标准击键行为向量、标准屏幕滑动行为向量、标准屏幕点击行为向量和标准传感器行为向量的相似度,并根据击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量的权重计算当前行为向量与标准行为向量的总相似度。将总相似度与预设相似度阈值进行比较,若总相似度大于预设相似度阈值,则判定当前操作用户为本人,可进行请求的支付操作;否则可根据总相似度的大小,触发不同的安全措施,例如若总相似度小于或等于预设相似度阈值但大于预设二级相似度阈值,可拒绝当前用户的免密支付请求,或限制当前用户的支付金额;若总相似度小于或等于预设二级相似度阈值,可拒绝当前用户的任何支付请求。
根据本公开实施例提供的行为数据处理方法,通过从获取的用户击键、滑动、点击和传感器数据等历史行为数据中提取击键特征、屏幕滑动特征、屏幕点击特征和第一传感器特征,然后从第一传感器特征中提取第二行为特征,最后根据击键特征、屏幕滑动特征、屏幕点击特征和第二行为特征构建击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量,从而可对行为数据的初级特征进行筛选后构建行为向量并将当前行为向量与标准行为向量进行比较,简化了行为向量比较的计算量,实现高效地利用行为数据进行身份识别。
图2是根据一示例性实施例示出的一种行为数据处理方法的流程图。如图2所示的方法例如可以应用于行为数据处理系统的服务器端,也可以应用于行为数据处理系统的终端设备。
参考图2,本公开实施例提供的方法20可以包括以下步骤。
在步骤S202中,获取用户的历史行为数据。
在一些实施例中,具体地,例如,移动终端设备在用户每次打开支付应用进入支付功能页面时,开始采集该支付场景下的用户行为数据,包括滑动、点击、击键等通过监听器采集的行为数据以及通过传感器采集的传感器行为数据,其中滑动行为数据包括手指触屏(以及手指离屏、拖动等动作)的轨迹动作类型、移动位置像素点的横/纵坐标和时间戳;传感器行为数据包括移动设备内置的传感器(如加速度传感器、陀螺仪传感器、方向传感器等)按照预设的采样频率对探测到的初始数据进行采样,将采样后的数据包装成JSON(JavaScript Object Notation,JS对象简谱)串上传至服务器或其他存储介质进行存储,获得需要的历史行为数据。
在步骤S204中,从历史行为数据中提取历史行为数据的第一行为特征。
在一些实施例中,终端设备在以一定频率对用户行为数据进行采样,可获取历史行为数据的总条数,设定当历史行为数据的总条数大于或等于预设阈值时,开始提取历史行为数据的特征,否则继续积累历史行为数据。
在一些实施例中,第一行为特征包括击键特征、屏幕滑动特征、屏幕点击特征和第一传感器特征。在第一行为特征提取阶段,从滑动、点击、击键行为数据以及传感器行为数据中提取多个指标的物理特征,即低维特征。例如:从用户滑动屏幕的行为数据中提取速度、角度、时间等的特征,其中,速度特征可包括起点的横/纵/合速度、横/纵/合速度的差分、横/纵/合速度最大值及最小值的统计信息;角度特征可包括(横坐标,时间戳)/(纵坐标,时间戳)/(纵坐标,横坐标)的角度值、(横坐标,时间戳)/(纵坐标,时间戳)/(纵坐标,横坐标)角度去重值、(横坐标,时间戳)/(纵坐标,时间戳)/(纵坐标,横坐标)角度的最大值和最小值的统计信息;时间特征可包括时间戳的差分、时间戳的总时长等统计信息。再例如,从传感器行为数据中提取传感器探测数据的时域分布及频域分布的特征,其中,时域分布特征可包括:传感器x/y/z轴的最大值、最小值、方差、峰态系数等特征;频域分布特征可包括:传感器x/y/z轴的峰值振幅、差分频域幅度、频率衰减幅度、谷值振幅等特征。
在步骤S206中,根据历史行为数据的第一行为特征获得历史行为数据的第二行为特征。
在一些实施例中,从历史行为数据的第一行为特征的传感器特征中提取出历史行为数据的第二行为特征,其中历史行为数据的第二行为特征的特征类的数量小于传感器特征的特征类的数量。具体地,传感器探测数据覆盖了用户支付操作的全过程,多个传感器的数据量极为丰富,提取的低维特征的指标非常多,如:数据的均值、最大值、最小值等等。可在长短期记忆类的网络结构的基础上,通过主成分分析、词嵌入等方法进行抽象处理,通过从大量低维特征中提取出具有隐含逻辑含义的高维特征,剔除掉低维特征中对于最终身份识别目的无效或低效的部分特征,在保证特征有效性的同时,降低了传感器特征的维度。
在步骤S208中,根据历史行为数据的第一行为特征和历史行为数据的第二行为特征获得历史行为数据的行为向量。
在一些实施例中,根据历史行为数据的击键特征、历史行为数据的屏幕滑动特征、历史行为数据的屏幕点击特征和历史行为数据的第二行为特征构建历史行为数据的击键行为向量、历史行为数据的屏幕滑动行为向量、历史行为数据的屏幕点击行为向量和历史行为数据的传感器行为向量。对于击键行为、屏幕滑动行为、屏幕点击行为分别构建用户的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量,并采用各个向量数据的标准差来表征该向量对用户行为的表达程度,例如击键行为向量的标准差越大,则表示该用户进行支付时击键行为的权重越小;屏幕点击行为向量的标准差最小,则表示该用户进行支付时主要进行屏幕点击行为。可通过该向量标准差计算得到各个行为模式的权重,如使用向量的标准差的倒数作为该行为向量所占的权重。
用户行为包括击键行为、滑动行为、点击行为和传感器行为,还可包括手势行为等,对应可提取手势行为特征并构建手势行为向量,本公开不以此为限。
在一些实施例中,在历史行为向量构建成功之后,移动设备端检测到当前用户请求进行支付行为时,可采集当前行为数据,准备对当前用户进行身份识别。
在步骤S210中,获取用户的当前行为数据。
在步骤S212中,从当前行为数据中提取当前行为数据的第一行为特征。
在步骤S214中,根据当前行为数据的第一行为特征获得当前行为数据的第二行为特征。
在步骤S216中,根据当前行为数据的第一行为特征和当前行为数据的第二行为特征获得当前行为数据的行为向量。
上述步骤S210-S216的一些实施例已于步骤S102-S108中进行详述,此处不再赘述。
在步骤S218中,将当前行为数据的行为向量与标准行为向量进行比较以对用户进行验证。
在一些实施例中,标准行为向量为历史行为数据的行为向量。将当前行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量分别与历史行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量进行比较,获得击键相似度、屏幕滑动相似度、屏幕点击相似度和传感器相似度;根据击键相似度、屏幕滑动相似度、屏幕点击相似度和传感器相似度获得当前行为数据的行为向量与历史行为数据的行为向量的相似度;若当前行为数据的行为向量与历史行为数据的行为向量的相似度大于预设阈值,则判定用户验证成功。
在一些实施例中,获得当前行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量之后,分别计算其与历史行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量的相似度,并根据击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量的权重计算当前行为数据与历史行为数据的总相似度。将总相似度与预设相似度阈值进行比较,若总相似度大于预设相似度阈值,则判定当前操作用户为本人,可进行请求的支付操作;否则可根据总相似度的大小,触发不同的安全措施,例如若总相似度小于或等于预设相似度阈值但大于预设二级相似度阈值,可拒绝当前用户的免密支付请求,或限制当前用户的支付金额;若总相似度小于或等于预设二级相似度阈值,可拒绝当前用户的任何支付请求。
根据本公开实施例提供的行为数据处理方法,通过从获取的用户击键、滑动、点击和传感器数据等历史行为数据中提取击键特征、屏幕滑动特征、屏幕点击特征和第一传感器特征,然后从第一传感器特征中提取第二行为特征,再根据击键特征、屏幕滑动特征、屏幕点击特征和第二行为特征构建击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量,然后通过将当前行为数据的行为向量分别与历史行为向量进行比较以获得相似度,最后通过相似度判断当前操作是否为本人,从而可从多种用户行为数据的角度进行判断,同时简化了历史行为数据的传感器行为向量,有助于实现高效、准确地利用行为数据进行身份识别。
图3是根据一示例性实施例示出的再一种行为数据处理方法的流程图。如图3所示的方法例如可以应用于行为数据处理系统的服务器端,也可以应用于行为数据处理系统的终端设备。
参考图3,本公开实施例提供的方法30可以包括以下步骤。
在步骤S302中,获取用户的历史行为数据。
在步骤S304中,从历史行为数据中提取历史行为数据的第一行为特征。
在步骤S306中,根据历史行为数据的第一行为特征获得历史行为数据的第二行为特征。
在步骤S308中,根据历史行为数据的第一行为特征和历史行为数据的行为数据的第二行为特征获得历史行为数据的行为向量。历史行为数据的行为向量包括情境标签。
在步骤S310中,获取用户的当前行为数据。
在步骤S312中,从当前行为数据中提取当前行为数据的第一行为特征。
在步骤S314中,根据当前行为数据的第一行为特征获得当前行为数据的第二行为特征。
在步骤S316中,根据当前行为数据的第一行为特征和当前行为数据的第二行为特征获得当前行为数据的行为向量。
上述步骤S302-S316的一些实施例已于步骤S202-S208、S102-S108中进行详述,此处不再赘述。
在步骤S313中,获得当前行为数据的情境标签。
在步骤S318中,根据情境标签获得历史行为数据的行为向量。
在一些实施例中,用户行为数据可根据用户行为的情境分为在静止、慢走、乘车等多种情境下的行为数据,如:人在慢走的过程中,加速度传感器和陀螺仪传感器的数据波动较静止时波动更大,击键行为数据较静止时更少,滑动行为更偏向于快速的短滑行为。历史行为数据自身可带有情境标签,而在基于历史行为数据构建历史行为向量时,可构建各种情境的下的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量。在对当前用户行为进行判断时,可采用随机森林算法对击键、滑动行为数据建模,双向长短期记忆类网络源数据对传感器行为数据建模,将情境分类算法引入随机森林及神经网络进行模型融合,并可用现有情境数据库及部分用户历史行为数据对融合的情境模型进行训练,获得目标情境模型,然后采用目标情境模型对当前行为数据进行情境判断。然后根据判断得到的当前行为数据的情境获得对应情境的历史行为向量。
在步骤S320中,获得当前行为数据的行为向量与历史行为数据的行为向量的相似度。
在步骤S322中,若当前行为数据的行为向量与历史行为数据的行为向量的相似度大于预设阈值,则判定用户验证成功。
在一些实施例中,获得当前行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量之后,分别计算其与对应情境的历史行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量的相似度,并根据击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量的权重计算当前行为数据与历史行为数据的总相似度。将总相似度与预设相似度阈值进行比较,若总相似度大于预设相似度阈值,则判定当前操作用户为本人,可进行请求的支付操作;否则可根据总相似度的大小,触发不同的安全措施,例如若总相似度小于或等于预设相似度阈值但大于预设二级相似度阈值,可拒绝当前用户的免密支付请求,或限制当前用户的支付金额;若总相似度小于或等于预设二级相似度阈值,可拒绝当前用户的任何支付请求。
在一些实施例中,若判断当前情境的用户为本人,则将当前行为数据进行保存,加入历史行为数据库,同时剔除历史行为数据库对应情境下时间最早的数据,以对该用户的历史行为数据进行更新。然后基于第一规则采用更新后的用户行为数据构建更新的历史行为向量,用于对之后的用户操作数据的身份识别。
根据本公开实施例提供的行为数据处理方法,通过从获取的用户击键、滑动、点击和传感器数据等历史行为数据中提取击键特征、屏幕滑动特征、屏幕点击特征和第一传感器特征,然后从第一传感器特征中提取第二行为特征,再根据击键特征、屏幕滑动特征、屏幕点击特征和第二行为特征构建带有情境标签的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量,然后判断当前行为数据的情境并构建当前行为数据的行为向量,将当前行为数据的行为向量与对应情境下的历史行为向量进行比较以获得相似度,最后通过相似度判断当前操作是否为本人,从而可分情境、从多种用户行为数据的角度进行判断,同时简化了历史行为数据的传感器行为向量,有助于实现高效、准确地利用行为数据进行身份识别。
图4是根据一示例性实施例示出的一种行为数据处理装置的框图。参考图4,本公开实施例提供的装置40可以包括:数据获取模块402和与数据获取模块402相连接的第一特征提取模块404、与第一特征提取模块404相连接的第二特征提取模块406、与第一特征提取模块404和第二特征提取模块406相连接的向量构建模块408以及与第一特征提取模块404和向量构建模块相连接的身份验证模块410。
数据获取模块402可以用于获取用户的当前行为数据。
第一特征提取模块404可以用于从当前行为数据中提取当前行为数据的第一行为特征。
第二特征提取模块406可以用于根据当前行为数据的第一行为特征获得当前行为数据的第二行为特征。
向量构建模块408可以用于根据当前行为数据的第一行为特征和当前行为数据的第二行为特征获得当前行为数据的行为向量。
身份验证模块410可以用于将当前行为数据的行为向量与标准行为向量进行比较以对用户进行验证。
在一些实施例中,标准行为向量为历史行为数据的行为向量。
数据获取模块402还可以用于获取用户的历史行为数据。
第一特征提取模块404还可以用于从历史行为数据中提取历史行为数据的第一行为特征。
第二特征提取模块406还可以用于根据历史行为数据的第一行为特征获得历史行为数据的第二行为特征。
向量构建模块408还可以用于根据历史行为数据的第一行为特征和历史行为数据的行为数据的第二行为特征获得历史行为数据的行为向量。
图5是根据一示例性实施例示出的一种行为数据处理装置的框图。参考图5,本公开实施例提供的装置50可以包括:数据获取模块502和与数据获取模块502相连接的第一特征提取模块504、与第一特征提取模块504相连接的第二特征提取模块506、与第一特征提取模块504和第二特征提取模块506相连接的向量构建模块508、与数据获取模块502和向量构建模块508相连接的情境模块510以及与第一特征提取模块504和向量构建模块相连接的身份验证模块512。
数据获取模块502可以用于获取用户的历史行为数据。
第一特征提取模块504可以用于从历史行为数据中提取历史行为数据的第一行为特征。
第二特征提取模块506可以用于根据历史行为数据的第一行为特征获得历史行为数据的第二行为特征。
向量构建模块508可以用于根据历史行为数据的第一行为特征和历史行为数据的行为数据的第二行为特征获得历史行为数据的行为向量。历史行为数据的行为向量包括情境标签。
数据获取模块502还可以用于获取用户的当前行为数据。
第一特征提取模块504还可以用于从当前行为数据中提取当前行为数据的第一行为特征。
第二特征提取模块506还可以用于根据当前行为数据的第一行为特征获得当前行为数据的第二行为特征。
向量构建模块508还可以用于根据当前行为数据的第一行为特征和当前行为数据的第二行为特征获得当前行为数据的行为向量。
情境模块510可以用于获得当前行为数据的情境标签。
身份验证模块512可以用于根据情境标签获得历史行为数据的行为向量;获得当前行为数据的行为向量与历史行为数据的行为向量的相似度;若当前行为数据的行为向量与历史行为数据的行为向量的相似度大于预设阈值,则判定用户验证成功。
图6是根据一示例性实施例示出的一种电子设备的结构示意图。需要说明的是,图6示出的设备仅以计算机系统为示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有设备600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本公开的系统中限定的上述功能。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括数据获取模块、第一特征提取模块、第二特征提取模块、向量构建模块和身份验证模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,数据获取模块还可以被描述为“向所连接的服务器端获取行为数据的模块”。
作为另一方面,本公开还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备实现:获取用户的当前行为数据;从所述当前行为数据中提取所述当前行为数据的第一行为特征;根据所述当前行为数据的第一行为特征获得所述当前行为数据的第二行为特征;根据所述当前行为数据的第一行为特征和所述当前行为数据的第二行为特征获得所述当前行为数据的行为向量;将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证。
以上具体地示出和描述了本公开的示例性实施例。应可理解的是,本公开不限于这里描述的详细结构、设置方式或实现方法;相反,本公开意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种行为数据处理方法,其特征在于,包括:
获取用户的当前行为数据;
从所述当前行为数据中提取所述当前行为数据的第一行为特征;
根据所述当前行为数据的第一行为特征获得所述当前行为数据的第二行为特征;
根据所述当前行为数据的第一行为特征和所述当前行为数据的第二行为特征获得所述当前行为数据的行为向量;
将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证。
2.根据权利要求1所述的方法,其特征在于,所述标准行为向量为历史行为数据的行为向量;
在所述获取用户的当前行为数据之前,所述方法还包括:
获取用户的历史行为数据;
从所述历史行为数据中提取所述历史行为数据的第一行为特征;
根据所述历史行为数据的第一行为特征获得所述历史行为数据的第二行为特征;
根据所述历史行为数据的第一行为特征和所述历史行为数据的行为数据的第二行为特征获得所述历史行为数据的行为向量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述当前行为数据的第一行为特征获得所述当前行为数据的第二行为特征,包括:
从所述当前行为数据的第一行为特征的传感器特征中提取出所述当前行为数据的第二行为特征,其中所述当前行为数据的第二行为特征的特征类的数量小于所述传感器特征的特征类的数量;
所述根据所述历史行为数据的第一行为特征获得所述历史行为数据的第二行为特征,包括:
从所述历史行为数据的第一行为特征的传感器特征中提取出所述历史行为数据的第二行为特征,其中所述历史行为数据的第二行为特征的特征类的数量小于所述传感器特征的特征类的数量。
4.根据权利要求2所述的方法,其特征在于,所述第一行为特征包括击键特征、屏幕滑动特征、屏幕点击特征和第一传感器特征。
5.根据权利要求4所述的方法,其特征在于,所述根据所述历史行为数据的第一行为特征和所述历史行为数据的行为数据的第二行为特征获得所述历史行为数据的行为向量,包括:
根据所述历史行为数据的击键特征、所述历史行为数据的屏幕滑动特征、所述历史行为数据的屏幕点击特征和所述历史行为数据的第二行为特征构建所述历史行为数据的击键行为向量、所述历史行为数据的屏幕滑动行为向量、所述历史行为数据的屏幕点击行为向量和所述历史行为数据的传感器行为向量;
所述根据所述当前行为数据的第一行为特征和所述当前行为数据的行为数据的第二行为特征获得所述当前行为数据的行为向量,包括:
根据所述当前行为数据的击键特征、所述当前行为数据的屏幕滑动特征、所述当前行为数据的屏幕点击特征和所述当前行为数据的第二行为特征构建所述当前行为数据的击键行为向量、所述当前行为数据的屏幕滑动行为向量、所述当前行为数据的屏幕点击行为向量和所述当前行为数据的传感器行为向量。
6.根据权利要求5所述的方法,其特征在于,将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证,包括:
将所述当前行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量分别与所述历史行为数据的击键行为向量、屏幕滑动行为向量、屏幕点击行为向量和传感器行为向量进行比较,获得击键相似度、屏幕滑动相似度、屏幕点击相似度和传感器相似度;
根据所述击键相似度、屏幕滑动相似度、屏幕点击相似度和传感器相似度获得所述当前行为数据的行为向量与所述历史行为数据的行为向量的相似度;
若所述当前行为数据的行为向量与所述历史行为数据的行为向量的相似度大于预设阈值,则判定所述用户验证成功。
7.根据权利要求2所述的方法,其特征在于,所述历史行为数据的行为向量包括情境标签;
在所述获取用户的当前行为数据之后,在所述将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证之前,包括:
获得所述当前行为数据的情境标签;
所述将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证,包括:
根据所述情境标签获得所述历史行为数据的行为向量;
获得所述当前行为数据的行为向量与所述历史行为数据的行为向量的相似度;
若所述当前行为数据的行为向量与所述历史行为数据的行为向量的相似度大于预设阈值,则判定所述用户验证成功。
8.一种行为数据处理装置,其特征在于,包括:
数据获取模块,用于获取用户的当前行为数据;
第一特征提取模块,用于从所述当前行为数据中提取所述当前行为数据的第一行为特征;
第二特征提取模块,用于根据所述当前行为数据的第一行为特征获得所述当前行为数据的第二行为特征;
向量构建模块,用于根据所述当前行为数据的第一行为特征和所述当前行为数据的第二行为特征获得所述当前行为数据的行为向量;
身份验证模块,用于将所述当前行为数据的行为向量与标准行为向量进行比较以对所述用户进行验证。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令,其特征在于,所述处理器执行所述可执行指令时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机可执行指令,其特征在于,所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910962203.1A CN110674480A (zh) | 2019-10-11 | 2019-10-11 | 行为数据处理方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910962203.1A CN110674480A (zh) | 2019-10-11 | 2019-10-11 | 行为数据处理方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110674480A true CN110674480A (zh) | 2020-01-10 |
Family
ID=69081506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910962203.1A Pending CN110674480A (zh) | 2019-10-11 | 2019-10-11 | 行为数据处理方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110674480A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111326139A (zh) * | 2020-03-10 | 2020-06-23 | 科大讯飞股份有限公司 | 一种语种识别方法、装置、设备及存储介质 |
CN111339829A (zh) * | 2020-01-19 | 2020-06-26 | 海通证券股份有限公司 | 用户身份鉴定方法、装置、计算机设备和存储介质 |
CN113630369A (zh) * | 2020-05-08 | 2021-11-09 | 杭州海康威视数字技术股份有限公司 | 一种身份认证方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1445723A (zh) * | 2002-03-19 | 2003-10-01 | 株式会社富士通基本软件技术 | 手写签名认证程序、方法和装置 |
CN103533546A (zh) * | 2013-10-29 | 2014-01-22 | 无锡赛思汇智科技有限公司 | 基于多维度行为特征的隐式用户验证及隐私保护方法 |
CN105279411A (zh) * | 2015-09-22 | 2016-01-27 | 电子科技大学 | 一个基于步态生物特征的移动设备身份认证方法 |
CN106470109A (zh) * | 2015-08-21 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种身份识别方法和设备 |
CN106572097A (zh) * | 2016-11-01 | 2017-04-19 | 南京邮电大学 | 一种基于移动设备的混合式身份认证方法 |
CN106779269A (zh) * | 2015-11-23 | 2017-05-31 | 中国电力科学研究院 | 基于变异系数法的智能变电站二次系统可靠性评估方法 |
CN108549806A (zh) * | 2018-04-11 | 2018-09-18 | 西安电子科技大学 | 基于用户滑动和点击行为的身份认证方法 |
CN108683813A (zh) * | 2018-05-18 | 2018-10-19 | 西北工业大学 | 一种基于智能手机使用习惯的用户身份持续识别方法 |
CN108920921A (zh) * | 2018-05-24 | 2018-11-30 | 西北工业大学 | 一种针对智能手机敏感app的可持续身份认证方法 |
CN110163611A (zh) * | 2019-03-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种身份识别方法、装置以及相关设备 |
-
2019
- 2019-10-11 CN CN201910962203.1A patent/CN110674480A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1445723A (zh) * | 2002-03-19 | 2003-10-01 | 株式会社富士通基本软件技术 | 手写签名认证程序、方法和装置 |
CN103533546A (zh) * | 2013-10-29 | 2014-01-22 | 无锡赛思汇智科技有限公司 | 基于多维度行为特征的隐式用户验证及隐私保护方法 |
CN106470109A (zh) * | 2015-08-21 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 一种身份识别方法和设备 |
CN105279411A (zh) * | 2015-09-22 | 2016-01-27 | 电子科技大学 | 一个基于步态生物特征的移动设备身份认证方法 |
CN106779269A (zh) * | 2015-11-23 | 2017-05-31 | 中国电力科学研究院 | 基于变异系数法的智能变电站二次系统可靠性评估方法 |
CN106572097A (zh) * | 2016-11-01 | 2017-04-19 | 南京邮电大学 | 一种基于移动设备的混合式身份认证方法 |
CN108549806A (zh) * | 2018-04-11 | 2018-09-18 | 西安电子科技大学 | 基于用户滑动和点击行为的身份认证方法 |
CN108683813A (zh) * | 2018-05-18 | 2018-10-19 | 西北工业大学 | 一种基于智能手机使用习惯的用户身份持续识别方法 |
CN108920921A (zh) * | 2018-05-24 | 2018-11-30 | 西北工业大学 | 一种针对智能手机敏感app的可持续身份认证方法 |
CN110163611A (zh) * | 2019-03-18 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种身份识别方法、装置以及相关设备 |
Non-Patent Citations (1)
Title |
---|
杨金翠 等: "《物联网环境下控制安全技术》", 30 September 2018 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339829A (zh) * | 2020-01-19 | 2020-06-26 | 海通证券股份有限公司 | 用户身份鉴定方法、装置、计算机设备和存储介质 |
CN111326139A (zh) * | 2020-03-10 | 2020-06-23 | 科大讯飞股份有限公司 | 一种语种识别方法、装置、设备及存储介质 |
CN111326139B (zh) * | 2020-03-10 | 2024-02-13 | 科大讯飞股份有限公司 | 一种语种识别方法、装置、设备及存储介质 |
CN113630369A (zh) * | 2020-05-08 | 2021-11-09 | 杭州海康威视数字技术股份有限公司 | 一种身份认证方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Unobservable re-authentication for smartphones. | |
EP2874099B1 (en) | Dynamic handwriting verification and handwriting-based user authentication | |
CN104408341B (zh) | 基于陀螺仪行为特征的智能手机用户身份认证方法 | |
EP3370181B1 (en) | Segment-block-based handwritten signature authentication system and method | |
CN110674480A (zh) | 行为数据处理方法、装置、设备及可读存储介质 | |
JP6667801B2 (ja) | セグメントベース手書き署名認証システム及び方法 | |
CN106778151B (zh) | 基于笔迹的用户身份识别方法和装置 | |
EP2360619A1 (en) | Fast fingerprint searching method and fast fingerprint searching system | |
CN113326991B (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
CN111625792B (zh) | 一种基于异常行为检测的身份识别方法 | |
CN113656761B (zh) | 基于生物识别技术的业务处理方法、装置和计算机设备 | |
CN113420690A (zh) | 基于感兴趣区域的静脉识别方法、装置、设备及存储介质 | |
CN111563746A (zh) | 用户身份认证的方法、装置、电子设备和介质 | |
CN112468658A (zh) | 语音质量检测方法、装置、计算机设备及存储介质 | |
CN115862075A (zh) | 指纹识别模型训练方法、指纹识别方法、装置及相关设备 | |
CN111639360A (zh) | 智能数据脱敏方法、装置、计算机设备及存储介质 | |
CN103995995A (zh) | 多媒体签字识别方法及系统 | |
CN111914769A (zh) | 用户合法性判定方法、装置、计算机可读存储介质及设备 | |
CN111159698B (zh) | 基于九宫格密码的终端隐式身份认证方法 | |
CN111353139A (zh) | 一种持续认证的方法、装置、电子设备及存储介质 | |
CN112733645A (zh) | 手写签名校验方法、装置、计算机设备及存储介质 | |
CN112417886A (zh) | 意图实体信息抽取方法、装置、计算机设备及存储介质 | |
US9483693B1 (en) | Free-hand character recognition on a touch screen POS terminal | |
US20240071117A1 (en) | Signature verification based on topological stochastic models | |
CN116432155A (zh) | 一种基于vr设备的身份核验方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |